Rea Stark
ES

Textos

En los datos más escasos hay dos personas

Por , , actualizado el 

Los datos deciden quién gana en robótica e IA física. Los más valiosos muestran a personas que trabajan juntas, vistas desde todos lados. Casi no existen.

Una mano enguantada sostiene unas tijeras de sastre por las hojas, con los mangos girados hacia una segunda mano que se extiende sobre un banco de trabajo

Pásale unas tijeras a alguien. Sin pensarlo, giras los mangos hacia esa persona. El otro empieza a alargar la mano antes de que termines el giro, y tú sueltas en el momento en que notas que agarra. Nadie dice una palabra. El intercambio dura alrededor de un segundo, y para un robot sigue siendo difícil.

Una máquina aprende lo que se le muestra, y casi nadie le ha mostrado esto. Las empresas de IA pagan hoy miles de millones por datos, y cuanto más exactos, más pagan. Los más valiosos muestran a más de una persona y están grabados desde todos los lados. A efectos prácticos, ese tipo de datos todavía no existe.

Lo que dice el dinero

En junio de 2025, Meta pagó 14.300 millones de dólares por el 49 % de Scale AI. Scale no fabrica chips ni tiene ningún modelo famoso. Prepara datos de entrenamiento.

En marzo de 2026, Yann LeCun, que dirigió la investigación en IA de Meta durante más de una década, recaudó 1.030 millones de dólares para su nueva empresa, AMI Labs. Fue la mayor ronda semilla que ha visto Europa, con una valoración de 3.500 millones de dólares antes de la inversión, y Nvidia, Samsung y el fondo de Jeff Bezos estaban entre los inversores. AMI construye modelos del mundo, sistemas que aprenden cómo se comporta el mundo físico a partir de cámaras y otros sensores y lo usan para planificar qué hacer a continuación. El punto de partida no es el lenguaje.

A LeCun le gusta defenderlo con una cuenta. Todo el texto público de internet, la dieta de los grandes modelos de lenguaje, suma unos cien billones de bytes. Un niño de cuatro años ha estado despierto unas 16.000 horas, y en ese tiempo le ha llegado al cerebro por los ojos más o menos la misma cantidad. El niño aprende además lo que ninguna página dice, por ejemplo que un vaso se cae cuando lo sueltas.

No existe nada parecido a la web para el trabajo físico, y la industria intenta construirlo a base de puro esfuerzo. En 2023, Google DeepMind y sus socios, 21 instituciones en total, reunieron 60 conjuntos de datos en Open X-Embodiment, que contiene más de un millón de movimientos de robot grabados con 22 tipos de robot.

En noviembre de 2025, la empresa emergente Generalist AI dijo que su modelo GEN-0 se había entrenado con 270.000 horas de manipulación real, recogidas en hogares, almacenes y lugares de trabajo, y que crecían a razón de 10.000 horas por semana. Figure, que fabrica humanoides, llegó a un acuerdo con el grupo inmobiliario Brookfield, que tiene más de 100.000 viviendas en cartera, para filmar la vida cotidiana dentro de ellas. Después, su robot aprendió a moverse por una habitación desordenada solo con vídeo de personas. Todos apuestan a que un modelo se puede rehacer en un año y un buen registro no.

Dos delantales colgados uno junto a otro en una cocina profesional vacía

Mejor ricos que abundantes

Las horas son una medida tosca. Un vídeo muestra una mano que se cierra sobre una taza. No muestra con cuánta fuerza apretó la mano, cuánto pesaba la taza, el clic que indicó que la tapa estaba puesta ni adónde fueron los ojos medio segundo antes. Cada una de esas cosas es un canal aparte, y un modelo que los recibe todos a la vez aprende algo que ninguna cantidad de vídeo corriente puede enseñar.

Meta lo entendió pronto. Su conjunto de datos Ego-Exo4D, creado con 15 universidades, grabó a más de 800 personas expertas, entre ellas cocineros, escaladores, bailarines y mecánicos de bicicletas. Cada una llevaba gafas con cámara mientras otras cámaras filmaban desde fuera, y las gafas añadían siete canales de sonido, sensores de movimiento, seguimiento ocular y un mapa 3D de la sala. Suma casi 1.300 horas. Es una cifra pequeña, y cada una de esas horas dice mucho más que una hora de vídeo corriente.

Los diseñadores conocen el principio por los planos. Un boceto con cotas se puede construir. Una imagen preciosa sin ellas, no. Prefiero diez horas exactas a mil imprecisas.

Un par de ojos no es una habitación

Casi todos estos datos comparten un límite. Muestran a una sola persona. La cámara va en una cabeza y observa un par de manos. Incluso Ego-Exo4D sigue casi siempre a un solo experto a la vez.

El trabajo real rara vez se hace a solas. Dos enfermeras dan la vuelta a un paciente. Un cocinero emplata mientras otro canta las comandas en el pase. Dos operarios suben una ventana por una escalera. Lo que hace que estas cosas funcionen no está en el campo de visión de ninguno de los dos. Una cámara en cualquiera de las dos cabezas graba la mitad y se pierde la mirada o el medio paso que le dijo al otro que esperara. La señal está en lo que pasa entre ellos: quién mira, quién espera, quién cede, y cuándo.

Dos operarios vistos de espaldas llevan entre los dos una lámina de vidrio por un callejón estrecho

Para aprender eso, una máquina necesita las dos vistas a la vez, sincronizadas en el mismo instante, junto con el espacio que las rodea. Un robot está pensado para trabajar junto a personas en casas, hospitales y talleres. Allí nunca estará solo, así que tiene que saber cuándo esperar y cuándo soltar.

Se ha grabado muy poco de esto. En 2023, Microsoft publicó HoloAssist: 166 horas de una persona haciendo una tarea mientras otra la guiaba. La segunda persona estaba en remoto y miraba a través del visor de la primera. En julio de 2026, investigadores de la ETH de Zúrich, Microsoft, el Instituto Max Planck de Informática y la Universidad Técnica de Múnich publicaron CoMind. En él, parejas de personas cocinan juntas en cocinas reales. Cada una lleva gafas con cámara, otras dos cámaras observan la sala, y se registran la mirada, las manos y el habla. Los autores señalan que abundan los conjuntos de datos grabados desde el punto de vista de una persona, que pocos estudian a personas trabajando juntas y que la mayoría trata al actor principal de forma aislada. Su propio conjunto abarca 80 grabaciones y 41 horas.

Cuarenta y una horas. Compárese con las 270.000 horas de manipulación que ha reunido una sola empresa emergente. La proporción es de más de 6.500 a uno.

Quién lo graba

La brecha no se cerrará desde un centro de datos. Hacen falta espacios donde la gente trabaje junta y acepte que la graben, con sensores elegidos para ese fin y todos los flujos sincronizados con un mismo reloj. Es lento y físico, y por eso la brecha sigue abierta. Fundé OptAI, una empresa de IA en Zúrich con su propio laboratorio de modelos del mundo, y ningún modelo, tampoco los nuestros, puede inventarse lo que el registro deja fuera.

El primer robot que tome unas tijeras de tu mano como lo hace un compañero lo habrá aprendido de grabaciones de dos personas haciéndolo, filmadas desde los dos lados en el mismo instante.

Rea Stark es diseñador industrial y fundador de empresas en Zúrich. Ha diseñado para Sony y Nespresso, es cofundador de Piëch Automotive y de Archaí Physics, y trabaja en cómo las máquinas perciben y manipulan el mundo físico.

Las imágenes de este ensayo están generadas con IA.